Improving the realism of robotic surgery simulation through injection of learning-based estimated errors

要約

現実的なシミュレーション環境が利用可能になると、ロボット手術中のサブタスクを自動化するためのアルゴリズムの開発を加速できます。
この研究では、手術シミュレーターのリアリズムの 1 つの側面、つまりロボットの位置精度に焦点を当てます。
現在のシミュレーターでは、ロボットの精度は完璧またはほぼ完璧ですが、これは物理的な対応物を表すものではありません。
したがって、物理的なロボットから収集したデータによって訓練された、コントローラーの誤差と運動学的および非運動学的誤差の両方を推定する一対のニューラル ネットワークを提案します。
これらの誤差推定値はシミュレータ内に注入され、物理的なロボットの特徴的なパフォーマンスを持つシミュレートされたロボットが生成されます。
このシナリオでは、シミュレーションで使用される推定誤差が物理ロボットの実際の誤差と統計的に類似した分布を持っていれば十分であると考えられます。
これは、推定誤差が実際の誤差と等しくなければならないという物理的なロボットの誤差補正の要件よりも厳格ではないため、より受け入れ可能です。
私たちの結果は、エラー注入により、シミュレートされたロボットと物理的なロボットの間の平均位置と向きの差がそれぞれ 5.0 mm / 3.6 度から 1.3 mm / 1.7 度に減少し、これは 3.8 倍と 2.1 倍の減少であることを示しています。

要約(オリジナル)

The development of algorithms for automation of subtasks during robotic surgery can be accelerated by the availability of realistic simulation environments. In this work, we focus on one aspect of the realism of a surgical simulator, which is the positional accuracy of the robot. In current simulators, robots have perfect or near-perfect accuracy, which is not representative of their physical counterparts. We therefore propose a pair of neural networks, trained by data collected from a physical robot, to estimate both the controller error and the kinematic and non-kinematic error. These error estimates are then injected within the simulator to produce a simulated robot that has the characteristic performance of the physical robot. In this scenario, we believe it is sufficient for the estimated error used in the simulation to have a statistically similar distribution to the actual error of the physical robot. This is less stringent, and therefore more tenable, than the requirement for error compensation of a physical robot, where the estimated error should equal the actual error. Our results demonstrate that error injection reduces the mean position and orientation differences between the simulated and physical robots from 5.0 mm / 3.6 deg to 1.3 mm / 1.7 deg, respectively, which represents reductions by factors of 3.8 and 2.1.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google